烟雾识别模型的构建方法、进行烟雾检测的方法及装置制造方法及图纸

本申请实施例公开了一种通过图像识别进行烟雾检测的方法及装置。本申请实施例提供的技术方案，通过将多幅图像进行拼接以生成拼接图像，然后采用神经网络模型对拼接图像进行训练得到相应的烟雾识别模型，最后通过烟雾识别模型对获取到的拼接后的多幅烟雾图像进行识别以判断烟雾浓度信息，进而控制风机的工作档位；通过本申请的采用图像拼接进行模型训练识别的方式大大提高了烟雾识别的准确性，便于进行智能家居的推广使用。

【技术实现步骤摘要】
烟雾识别模型的构建方法、进行烟雾检测的方法及装置
本申请实施例涉及图像识别
，尤其涉及一种进行烟雾检测的方法及装置。
技术介绍
目前，常见的带有自动控制功能的吸油烟机通常采用检测烟气浓度方式实现自动控制。例如比较常见的是通过烟雾探头来检测烹饪过程中产生的烟雾浓度，根据烟雾浓度控制风机启停及运转速度。然而依靠烟雾探头检测油烟会使得风机启动的响应速度较慢，只能在油烟进入吸油烟机后才能检测到油烟，这时再启动风机和调速，无法及时确定烟雾的浓度，不利于对油烟的及时处理。虽然目前有直接对油烟图像进行建模的方式，但是其识别的准确度不高，不方便于进行实际的控制。因此，设计一种识别准确性高的烟雾检测方式成为本领域技术人员亟待解决的技术问题。
技术实现思路
本申请实施例提供一种烟雾识别模型的构建方法、进行烟雾检测的方法及装置，能够通过将多幅图像进行拼接以生成拼接图像，然后采用神经网络模型对拼接图像进行训练得到相应的烟雾识别模型，最后通过烟雾识别模型对获取到的拼接后的多幅烟雾图像进行识别以判断烟雾浓度信息，进而控制风机的工作档位；通过本申请的采用图像拼接进行模型训练识别的方式大大提高了烟雾识别的准确性。在第一方面，本申请实施例提供了一种烟雾识别模型的构建方法，包括：获取n幅待拼接的训练图像；对n幅所述训练图像中按照预设顺序进行拼接以生成模型拼接图像，并根据烟雾浓度大小对所述模型拼接图像进行标记以生成模型训练集；将所述模型训练集输入构建的卷积神经网络模型进行识别训练以得到烟雾识别模型。进一步的，所述对n幅所述训练图像中按照预设顺序进行拼接以生成模型拼接图像，并根据烟雾浓度大小对所述模型拼接图像进行标记以生成模型训练集，包括：对n幅所述训练图像进行分组操作得到训练图像组，每个训练图像组包括预设数量的训练图像，且每个图像组包括至少一幅相同的训练图像；对所述训练图像组中的训练图像按照预设顺序进行拼接以生成模型拼接图像；根据烟雾浓度大小对所述模型拼接图像进行标记以生成模型训练集。进一步的，所述每个训练图像组包括预设数量的训练图像，且每个图像组包括至少一张相同的训练图像包括：每个训练图像组包括三幅训练图像，且每个图像组包括两幅相同的训练图像。进一步的，所述对所述训练图像组中的训练图像按照预设顺序进行拼接以生成模型拼接图像，包括：对所述训练图像组中的训练图像按照时间顺序进行拼接以生成模型拼接图像。进一步的，在所述获取n幅待拼接的训练图像之后，还包括：对获取到的所述训练图像进行灰度化以及二值化处理得到训练二值图像；对应的，所述对n幅所述训练图像中按照预设顺序进行拼接以生成模型拼接图像，包括：对n幅所述训练二值图像中按照预设顺序进行拼接以生成模型拼接图像。在第二方面，本申请实施例提供了一种进行烟雾检测的方法，包括：获取多幅待拼接的烟雾图像，对多幅所述烟雾图像进行拼接以生成烟雾拼接图像；将所述烟雾拼接图像输入至烟雾识别模型得到烟雾浓度信息，根据所述烟雾浓度信息控制风机的工作档位。进一步的，在所述将所述烟雾拼接图像输入至烟雾识别模型得到烟雾浓度信息，根据所述烟雾浓度信息控制风机的工作档位之前，还包括：根据不同的烟雾浓度确定风机的不同控制档位，并将不同的控制档位与相应的烟雾浓度进行关联；对应的，所述根据所述烟雾浓度信息控制风机的工作档位，包括：根据所述控制档位与相应的烟雾浓度的关联关系确定与所述烟雾浓度信息对应的控制档位以控制风机运行在所述控制档位；在所述将所述烟雾拼接图像输入至烟雾识别模型得到烟雾浓度信息，根据所述烟雾浓度信息控制风机的工作档位之后，还包括：响应风机档位的调节操作，记录调节后的控制档位信息以及调节图像信息；将所述调节图像信息加入所述烟雾识别模型的训练集中，并重新对所述烟雾识别模型进行训练。在第三方面，本申请实施例提供了一种进行烟雾检测的装置，包括：获取模块：用于获取多幅待拼接的烟雾图像，拼接模块：用于对多幅所述烟雾图像进行拼接以生成烟雾拼接图像；识别模块：用于将所述烟雾拼接图像输入至烟雾识别模型得到烟雾浓度信息，根据所述烟雾浓度信息控制风机的工作档位。在第四方面，本申请实施例提供了一种电子设备，包括：存储器以及一个或多个处理器；所述存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第二方面所述的进行烟雾检测的方法。在第五方面，本申请实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第二方面所述的进行烟雾检测的方法。本申请实施例通过将多幅图像进行拼接以生成拼接图像，然后采用神经网络模型对拼接图像进行训练得到相应的烟雾识别模型，最后通过烟雾识别模型对获取到的拼接后的多幅烟雾图像进行识别以判断烟雾浓度信息，进而控制风机的工作档位；通过本申请的采用图像拼接进行模型训练识别的方式大大提高了烟雾识别的准确性，便于进行智能家居的推广使用。附图说明图1是本申请实施例提供的一种进行烟雾检测的方法的流程图；图2是本申请实施例提供的烟雾识别模型构建的流程示意图；图3是本申请实施例提供的进行图像拼接的流程示意图；图4是本申请实施例提供的一种进行烟雾检测的装置的结构示意图；图5是本申请实施例提供的一种电子设备的结构示意图。具体实施方式为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。现有的依靠烟雾探头检测油烟会使得风机启动的响应速度较慢，只能在油烟进入吸油烟机后才能检测到油烟，这时再启动风机和调速，无法及时确定烟雾的浓度，不利于对油烟的及时处理。虽然目前有直接对油烟图像进行建模的方式，但是其识别的准确度不高，不方便于进行实际的控制。基于此，本申请提供的进行烟雾检测的方法及装置，能够通过将多幅图像进行拼接以生成拼接图像，然后采用神经网络模型对拼接图像进行训练得到相应的烟雾识别模型，最后通过烟雾识别模型对获取到的拼接后的多幅烟雾图像进行识别以判断烟雾浓度信息，进而控制风机的工作档位；通过本申请的采用图像拼接进行模型训练识别的方式大大提本文档来自技高网...

【技术保护点】
1.一种烟雾识别模型的构建方法，其特征在于，包括：/n获取n幅待拼接的训练图像；/n对n幅所述训练图像中按照预设顺序进行拼接以生成模型拼接图像，并根据烟雾浓度大小对所述模型拼接图像进行标记以生成模型训练集；/n将所述模型训练集输入构建的卷积神经网络模型进行识别训练以得到烟雾识别模型。/n

【技术特征摘要】
1.一种烟雾识别模型的构建方法，其特征在于，包括：
获取n幅待拼接的训练图像；
对n幅所述训练图像中按照预设顺序进行拼接以生成模型拼接图像，并根据烟雾浓度大小对所述模型拼接图像进行标记以生成模型训练集；
将所述模型训练集输入构建的卷积神经网络模型进行识别训练以得到烟雾识别模型。


2.如权利要求1所述的烟雾识别模型的构建方法，其特征在于，所述对n幅所述训练图像中按照预设顺序进行拼接以生成模型拼接图像，并根据烟雾浓度大小对所述模型拼接图像进行标记以生成模型训练集，包括：
对n幅所述训练图像进行分组操作得到训练图像组，每个训练图像组包括预设数量的训练图像，且每个图像组包括至少一幅相同的训练图像；
对所述训练图像组中的训练图像按照预设顺序进行拼接以生成模型拼接图像；
根据烟雾浓度大小对所述模型拼接图像进行标记以生成模型训练集。


3.如权利要求2所述的烟雾识别模型的构建方法，其特征在于，所述每个训练图像组包括预设数量的训练图像，且每个图像组包括至少一张相同的训练图像包括：
每个训练图像组包括三幅训练图像，且每个图像组包括两幅相同的训练图像。


4.如权利要求2所述的烟雾识别模型的构建方法，其特征在于，所述对所述训练图像组中的训练图像按照预设顺序进行拼接以生成模型拼接图像，包括：
对所述训练图像组中的训练图像按照时间顺序进行拼接以生成模型拼接图像。


5.如权利要求1所述的烟雾识别模型的构建方法，其特征在于，在所述获取n幅待拼接的训练图像之后，还包括：
对获取到的所述训练图像进行灰度化以及二值化处理得到训练二值图像；
对应的，所述对n幅所述训练图像中按照预设顺序进行拼接以生成模型拼接图像，包括：
对n幅所述训练二值图像中按照预设顺序进行拼接以生成模型拼接图像。


6.一种进行烟雾检测的方法，其特征在于，...

【专利技术属性】
技术研发人员：邓立邦，
申请(专利权)人：广东智媒云图科技股份有限公司，
类型：发明
国别省市：广东;44